伴隨著人工智能的不斷進(jìn)步,機器學(xué)習(xí)引領(lǐng)的“金融科技”掀起一場新的浪潮,其應(yīng)用遍及各個領(lǐng)域。與此同時,受外部金融危機和市場競爭的影響,企業(yè)面對的財務(wù)風(fēng)險也不斷增多,因此,尋找合適的財務(wù)預(yù)警模型一直是國內(nèi)外學(xué)者研究的重點問題。不同行業(yè)的財務(wù)預(yù)警模型有不同的特點,本文以制造業(yè)上市公司為研究對象,制造業(yè)是國民經(jīng)濟的支柱,并且在A股市場中制造業(yè)上市公司占比重大。本文采用定性與定量相結(jié)合的方式。閱讀了大量相關(guān)經(jīng)典文獻(xiàn)和書籍,總結(jié)了實踐經(jīng)驗,從內(nèi)外兩個方面分析了上市公司財務(wù)危機形成的背景原因,梳理了財務(wù)危機預(yù)警的重要性和功能。在模型的構(gòu)建方面,從財務(wù)因素和非財務(wù)因素歸納了影響財務(wù)危機的指標(biāo),選取2016年—2018年首次被特別處理的制造業(yè)ST公司,與之對應(yīng),按照1:1的比例選取資產(chǎn)規(guī)模與行業(yè)相近的非ST公司進(jìn)行配對,共確定120家公司,其中訓(xùn)練樣本100家,測試樣本20家。運用多重共線性檢驗、KMO和Bartlett球形檢驗和因子分析檢驗后,篩選出了具有價值的六大預(yù)警指標(biāo)。在此基礎(chǔ)上,利用MATLAB中trainlm算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,最后檢驗測試樣本得出模型的準(zhǔn)確率達(dá)到80%,說明模型能夠判斷公... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

財務(wù)預(yù)警模型思路資料來源：作者整理

圖 2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)經(jīng)網(wǎng)絡(luò)是一種單向、多層前饋神經(jīng)網(wǎng)絡(luò)。由于權(quán)值的調(diào)整規(guī)則 等人于 1986 年提出的誤差反向傳播學(xué)習(xí)算法（BackPropagat經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用時絕大部分都是采用 BP 神經(jīng)網(wǎng)神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)的核心，體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的精華。經(jīng)網(wǎng)絡(luò)的基本單元。一個基本的 BP 神經(jīng)元有 R 個輸入，每個權(quán)值 w 和下一層相連，神經(jīng)元輸出可以表示為：a=f(w*p+b) （公式 2表示輸入輸出關(guān)系的傳遞函數(shù)，b 為該神經(jīng)元的閾值，p 為輸

10 0.477 2.978 94.56811 0.446 2.790 97.35812 0.240 1.497 98.85613 0.123 0.768 99.62314 0.042 0.261 99.88515 0.018 0.115 100.00016 0.001 0.001 100.000資料來源：SPSS 統(tǒng)計結(jié)果，作者整理在 SPSS.25 中運用主成分分析法進(jìn)行因子分析，從中通過因子的方差貢獻(xiàn)率確定公共因子的個數(shù)問題。一般情況下，認(rèn)定為累計方差貢獻(xiàn)率達(dá)到 75%時，累計75%的因子可選為公共因子。如上圖所示，前 6 個公共因子累計達(dá)到 77.559%的貢率，故可把這 6 項因子作為整體水平的代表。碎石圖是根據(jù)每個因子特征值大小排序后形成的散點圖。從下圖可以反映出前 6 項 因 子 曲 線 斜 率 大 ， 特 征 值 較 大 ， 對 整 體 信 息 解 釋 能 力 較 強

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)背景下機器學(xué)習(xí)算法的綜述[J]. 李成錄.  信息記錄材料. 2018(05)
[2]基于財務(wù)與非財務(wù)要素的上市公司財務(wù)困境預(yù)警實證研究[J]. 田寶新,王建瓊.  金融評論. 2017(05)
[3]上市公司財務(wù)風(fēng)險提示及評估體系研究[J]. 萬荔.  中國管理信息化. 2017(18)
[4]基于Logistic回歸和BP神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警模型比較[J]. 關(guān)欣,王征.  統(tǒng)計與決策. 2016(17)
[5]對國有上市公司財務(wù)危機預(yù)警模型構(gòu)建探討[J]. 唐桂森.  財會學(xué)習(xí). 2016(14)
[6]淺談企業(yè)財務(wù)風(fēng)險的認(rèn)識與管理控制[J]. 李輝.  中小企業(yè)管理與科技(中旬刊). 2016(03)
[7]基于生存分析法的財務(wù)困境預(yù)警研究——以我國農(nóng)業(yè)上市公司為例[J]. 張旭堯,張衛(wèi)民.  商業(yè)會計. 2016(03)
[8]基于MEA-BP神經(jīng)網(wǎng)絡(luò)的財務(wù)危機預(yù)警研究[J]. 趙辰,南星恒.  財會通訊. 2016(01)
[9]引入非財務(wù)指標(biāo)的財務(wù)危機預(yù)警研究——以我國制造業(yè)上市公司為例[J]. 張婉君,羅威.  財政監(jiān)督. 2016(01)
[10]制造業(yè)財務(wù)管理存在的問題及對策分析[J]. 鄒薇.  新經(jīng)濟. 2015(Z2)

博士論文
[1]基于Kalman濾波和BP神經(jīng)網(wǎng)絡(luò)的財務(wù)危機動態(tài)預(yù)警模型研究[D]. 孫曉琳.哈爾濱工業(yè)大學(xué) 2010

碩士論文
[1]中國一重財務(wù)困境成因及對策研究[D]. 張為.湘潭大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)的我國制造業(yè)上市公司財務(wù)預(yù)警模型研究[D]. 劉迎旭.北京印刷學(xué)院 2018



本文編號：3014063